Scienziati di Jülich e Berlino hanno sviluppato un sistema di intelligenza artificiale in grado di apprendere autonomamente come spostare le singole molecole attraverso l’uso di un microscopio a tunnel a scansione. Poiché gli atomi e le molecole non si comportano come oggetti macroscopici, ognuno di questi elementi costitutivi ha bisogno del proprio sistema per muoversi.
Il nuovo metodo, che gli scienziati ritengono possa essere utilizzato per la ricerca e le tecnologie di produzione come la stampa 3D molecolare, è stato pubblicato su Science Advances .
Stampa 3D
La prototipazione rapida, più comunemente nota come stampa 3D, è estremamente conveniente quando si tratta di creare prototipi o modelli. L’importanza è aumentata nel corso degli anni poiché la tecnologia è costantemente migliorata ed è ora uno dei principali strumenti utilizzati dall’industria.
Il Dr. Christian Wagner è a capo del gruppo di lavoro del CER sulla manipolazione molecolare al Forschungszentrum Jülich.
“Se questo concetto potesse essere trasferito su scala nanometrica per consentire alle singole molecole di essere specificamente riunite o separate di nuovo proprio come i mattoncini LEGO, le possibilità sarebbero pressoché infinite, dato che ci sono circa 1060 tipi concepibili di manipolazione molecolare al Forschungszentrum Jülich”, Dice Wagner.
“Ricette” individuali
Una delle sfide principali è rappresentata dalle “ricette” individuali necessarie affinché il microscopio a tunneling a scansione muova le singole molecole avanti e indietro. Questi sono necessari in modo che la punta del microscopio possa disporre le molecole spazialmente e in modo mirato.
La cosiddetta ricetta non può essere calcolata o dedotta per intuizione, che è dovuta alla natura complessa della meccanica su nanoscala. Il modo in cui funziona il microscopio è avere un cono rigido sulla punta, a cui le molecole si attaccano leggermente. Affinché quelle molecole si muovano, sono necessari schemi di movimento complessi.
Il Prof. Dr. Stefan Tautz è a capo del Quantum Nanoscience Institute di Jülich.
“Ad oggi, tale movimento mirato di molecole è stato possibile solo manualmente, attraverso tentativi ed errori. Ma con l’aiuto di un sistema di controllo software autonomo e autoapprendimento, siamo ora riusciti per la prima volta a trovare una soluzione per questa diversità e variabilità su scala nanometrica e ad automatizzare questo processo “, afferma Tautz.
Insegnamento rafforzativo
Uno degli aspetti fondamentali di questo sviluppo è l’apprendimento per rinforzo, che è un tipo di apprendimento automatico che prevede che l’algoritmo tenti ripetutamente un’attività e apprenda da ogni tentativo.
Il Prof. Dr. Klaus-Robert Müller è a capo del dipartimento di Machine Learning presso TU Berlin.
“Non prescriviamo un percorso di soluzione per l’agente software, ma piuttosto premiamo il successo e penalizziamo il fallimento”, afferma.
“Nel nostro caso, all’agente è stato affidato il compito di rimuovere singole molecole da uno strato in cui sono trattenute da una complessa rete di legami chimici. Per essere precisi, si trattava di molecole di perilene, come quelle utilizzate nei coloranti e nei diodi organici emettitori di luce “, aggiunge il Dr. Christian Wagner.
C’è un punto chiave in cui la forza richiesta per muovere le molecole non può superare la forza del legame in cui il microscopio a tunnel attrae la molecola.
“La punta del microscopio deve quindi eseguire uno schema di movimento speciale, che in precedenza dovevamo scoprire a mano, letteralmente”, afferma Wagner.
L’apprendimento per rinforzo viene utilizzato mentre l’agente software impara quali movimenti funzionano e continua a migliorare ogni volta.
Tuttavia, la punta del microscopio a scansione a tunnel è costituita da atomi di metallo, che possono spostarsi, e questo cambia la forza di legame della molecola.
“Ogni nuovo tentativo aumenta il rischio di un cambiamento e quindi la rottura del legame tra punta e molecola. L’agente software è quindi costretto ad apprendere in modo particolarmente rapido, poiché le sue esperienze possono diventare obsolete in qualsiasi momento “, afferma il Prof. Dr. Stefan Tautz. “È un po ‘come se la rete stradale, le leggi sul traffico, la carrozzeria e le regole per la guida dei veicoli cambiassero continuamente durante la guida autonoma.”
Per superare questo, i ricercatori hanno sviluppato il software in modo che apprenda un semplice modello dell’ambiente in cui la manipolazione avviene parallelamente ai cicli iniziali. Per accelerare il processo di apprendimento, l’agente si allena simultaneamente nella realtà e nel proprio modello.
“Questa è la prima volta in assoluto che siamo riusciti a riunire intelligenza artificiale e nanotecnologia”, afferma Klaus-Robert Müller.
“Fino ad ora, questa è stata solo una ‘prova di principio'”, continua Tautz. “Tuttavia, siamo fiduciosi che il nostro lavoro aprirà la strada alla costruzione automatizzata assistita da robot di strutture supramolecolari funzionali, come transistor molecolari, celle di memoria o cavilli, con una velocità, precisione e affidabilità di gran lunga superiori a quelle che sono attualmente possibile. ”
